Bibliothèque de L'IMIST/CNRST

Sous format papier

Université Mohamed 1er

La méthode des nuées dynamique constitue une méthode de classification non supervisée de données très populaire. Le principal avantage de cette méthode réside dans sa simplicité. Cependant, elle souffre de quelques inconvénients tels que le problème d’initialisation et de problème des solutions locales. Des recherches ont été entreprises dans le but d’améliorer les performances de cette méthode. Il existe plusieurs adaptations de cette méthode dans différentes approches telles que les réseaux de neurones, la logique floue et les algorithmes génétiques. Le réseau de neurones à apprentissage compétitif standard RNAc constitue une adaptation de la méthode des nuées dynamiques dans l’espace neuronal. Hormis les problèmes liés au processus de l’actualisation, le RNAC souffre pratiquement des mêmes inconvénients que la méthode des nuées dynamiques. A ce niveau, nous proposons une amélioration du réseau à apprentissage compétitif standard basée sur un algorithme génétique. L’algorithme est composé de deux étages mis en série RNAC-AG. Les résultats de simulations de l’algorithme proposé montrent une nette amélioration des résultats issus de l’RNAC. Le principal objectif de ce travail consiste à développer une adaptation de la méthode des nuées dynamiques dans l’espace évolutionniste basée sur la programmation évolutionniste. Nous proposons dans notre algorithme, une nouvelle forme de l’opérateur de mutation. Son objectif est de permettre à l’algorithme d’éviter les solutions locales. Le critère d’Akaike adapté à la classification métrique de données est introduit pour déterminer le nombre optimal de classes. Les résultats de simulations issus de l’algorithme confirment favorablement la performance de cette méthode et ainsi l’amélioration des performances de la méthode des nuées dynamiques. L’algorithme développé est appliqué à la segmentation d’images. Il existe une méthode de segmentation basée sur les nuées dynamiques. Elle fait partie des méthodes de classification d’images multidimensionnelles. Notre algorithme utilise au lieu de l’image originale comme information à traiter, son histogramme dans le but de réduire la taille de l’information à traiter. Le seul attribut utilisé dans ce type de segmentation est le niveau de gris. Pour cette raison, notre méthode constitue un cas particulier de la méthode des nuées dynamiques. Les résultats de la segmentation par l’algorithme proposé sont très satisfaisants.